AI Agent 面试 · 社招中高级

AI Agent 全栈工程师面试通关

基于 2025–2026 真实面试题（kamacoder、datawhalechina/hello-agents、wdndev/llm_interview_note 等）与一手资料（Anthropic、ReAct/Reflexion 论文、OpenAI/RAGAS/OWASP 文档）整理。约半天读完。代码片段为演示用，未在本机执行（已标注）。

①适合谁

这份教程为正在转向 AI Agent 方向、目标社招中高级的工程师设计。默认你具备：

  • 有 1 年以上后端 / 全栈工程经验——能读懂 Python，能讲清一次 HTTP 请求从入口到响应的生命周期。
  • 至少调用过一次 LLM API——知道 prompt、token、temperature 大致是什么，哪怕只用过 ChatGPT 网页版的 API 平替。
  • 正在准备大模型应用 / AI Agent 方向的面试，想要的是判断力而非一份背诵清单。

②不适合谁

表 0.1 · 如果你是这几类，先去更合适的地方
如果你……去这里更高效
完全没写过代码先补 Python 基础（Python 官方教程 / 廖雪峰），再回来
想手撕 Transformer 反向传播、深入预训练《动手学深度学习》、Karpathy 的 nanoGPT 系列
只想要一份能背的八股清单wdndev/llm_interview_note——本教程偏建立判断，不替代清单

③读完之后你能做到什么

读完你能在面试白板前，对“该不该上 Agent / 用 RAG 还是长上下文 / 单 Agent 还是多 Agent”这类问题，当场算出成本-延迟-可控性这笔账并给出有取舍的答案——而不是背出定义。

具体地，你将能够：

  • 用一张图讲清 LLM 推理为什么按 token 计费、注意力为什么是 O(n²)、KV cache 省掉了什么。
  • 当场判断一个需求该用 RAG、长上下文还是微调，并说出三者各自的代价。
  • 画出一条生产级 RAG 链路，并指出每一环最容易出问题的地方与定位手段。
  • 区分 Agent 与 Workflow，说清 ReAct / Plan-and-Execute 的取舍，以及什么场景下不该上 Agent 或多 Agent。
  • 回答流式输出、成本优化、可观测性、Prompt 注入这类工程题时，给出具体方案而不是口号。

一句话本质

把 LLM 当成一个非确定、无状态、按 token 计费、会被注入的组件；Agent 就是把这个组件塞进一个自主控制循环。中高级面试里几乎每道题的深层考点都是同一个：这个循环带来的成本、延迟、失控代价你算不算得清，以及你判不判断得出什么时候不该上 Agent。

洞察 · 八股 vs 真实考点

研究 2025–2026 的真题后有两个反直觉的事实：①即便是“调 API”的应用岗，Transformer / MHA-MQA-GQA / MoE / RLHF 这些算法八股仍会被问，躲不掉；②但真正拉开中高级与初级差距的，是大量“X 与 Y 怎么取舍”“你踩过什么坑”“量化提升多少”的题——它们在筛真实落地经验。这份教程两头都顾：先用八股打地基，再把每个主题推到取舍与失败模式那一层。

流畅感警告 · 先读这条

这份教程刻意把“答案”折叠在 <details> 里，让你先回忆再对照。读得顺 ≠ 学会了。看到下面三句心里话，就是大脑在骗你：

“我读得很顺”——那是熟悉感，不是掌握；换个问法你就答不出。
“我做题很快”——你多半在套已见过的题型，没真正动用知识结构。
“我没卡壳”——没卡壳往往意味着没真正调用知识。面试官的追问就是来制造卡壳的。

现状速览（截至 2026-06）

这行当变得快，但变的是细节、不是骨架。下面把"该背的框架"和"会过时的型号 / 数字"分开——面试记左边那列，右边只需知道"在动、别背死"。

表 0.3 · 什么稳了、什么在变、什么已过时
状态内容与记忆策略
稳定 · 放心记框架Transformer / 注意力 O(n²) / KV cache；RAG 的"检索 → 重排 → 生成"骨架；Agent = LLM + 工具 + 自主循环；Anthropic 的 Agent vs Workflow 分界；MCP 作为工具接入标准；约束解码保证结构化输出。这些两三年内不会变。
在变 · 关注别背死旗舰型号与上下文窗口每几个月翻新（GPT-5.5 / Claude Opus 4.8·Sonnet 4.6 / Gemini 3.x Pro，窗口 200K–数 M）；推理模型（extended thinking）正把一部分"要不要搭 ReAct 脚手架"的判断收进模型内部（见 §1.8 / §3.3）；agentic / 迭代式 RAG（Self-RAG、CRAG）取代朴素单轮向量检索成为高端默认；上下文工程（context rot、compaction、写 / 选 / 压 / 隔四杠杆）成为长程 Agent 可靠性的核心（见 §3.9）；Computer Use 让 Agent 操作无 API 的 GUI（见 §3.10）。
已过时 · 别再当默认把 GPT-4o / Claude 3.5 这代当"最新"；naive 单向量 RAG 当唯一方案；只会"事后正则抠 JSON + 重试"而不知道原生约束解码（OpenAI 2024-08、Anthropic 2025-11 起已原生支持 strict schema，见 §1.5 / §4.6）。

④心智模型（概念地图）

四个主题不是四堆并列的知识点，而是一条因果链：左边的限制，催生右边的方案。先把这张图记住，后面每一章都挂在它上面。

LLM = 非确定 · 无状态 · 按 token 计费 · 会被注入 Agent = 把它塞进一个自主控制循环 面试真正考的是这笔账 01 · LLM/Prompt 基础（地基） Transformer · 采样 · 上下文 · 幻觉 · Function Calling 上下文有限 + 幻觉 → 需要检索 02 · RAG 与知识库（补知识） embedding · chunking · 混合检索 · rerank · 评估 RAG 成为 Agent 的一个工具 03 · Agent 架构与多智能体（加循环） ReAct · Plan · Reflection · Memory · MCP 自主循环 → 成本 / 延迟 / 失控 04 · 工程化与全栈落地（上生产） 流式 · 成本 · 可观测 · Eval · 安全 把前四章揉成判断力 05 · 综合判别 + 自己画图 跨章做选择，这是中高级的分水岭
图 0.1四大主题是一条因果依赖链，不是并列清单。注意：每个“方案”都是被左边的“限制”逼出来的——面试官正是顺着这条链往下追问（“为什么要 RAG？”→“为什么纯向量不够？”→“那为什么不直接上 Agent？”）。

⑤怎么用这份教程

顶部的学习路径面包屑就是章节顺序。按你的处境挑一条：

表 0.2 · 三种读法
你的处境读法
时间紧，这两天就面直接刷每章末的“面试题检索”，答不上来的题再回正文对应小节补——把教程当错题本用
系统补齐认知（推荐）00→01→02→03→04→05 顺序读，每章先做完 self-check 再翻答案，最后用 05 章场景题检验迁移
已有经验、查漏补缺跳读，重点看每章的“备选方案表”和“带来的代价”段，再做 05 章的跨章判别题

⑥学完之后

  • 手写一个最小 ReAct Agent（不依赖框架）——把 03 章的循环从“能讲”变成“能写”。
  • 用 LangGraph 实现带 checkpoint 的多轮 Agent——把记忆与状态持久化落到代码。
  • 给一个 RAG demo 接上 RAGAS 评估——把 02/04 章的“评估”从概念变成 CI 里的数字。
  • 准备 2–3 个自己的项目故事——对应“你踩过什么坑”“量化提升多少”这类筛经验的题。